智能制造企业技术创新效率及其影响因素研究

2020-03-26楼旭明徐聪聪

科技管理研究 2020年4期

楼旭明，徐聪聪

（西安邮电大学经济与管理学院，陕西西安 710061）

1 研究综述

在我国制造行业逐渐趋于稳定发展的同时，智能制造业成为了驱动我国制造行业前进的主要动力之一。我国智能制造行业的规模也在逐年扩大，2018 年的市场规模达16 867 亿元。在2018 年10 月12 日召开的世界智能制造大会上，我国正式发布了《国家智能制造标准体系建设指南（2018 年版）》，这对我国智能制造产业具有极大的推动作用。但是，目前我国在智能制造方面的发展依然存在一些问题，如覃浩高［1］研究认为我国智能制造领域缺乏行业标准和自主创新能力；廖桂波［2］研究认为我国智能制造产业存在的问题有核心智能部件与整机发展不同步、产业整体技术创新能力与国外差距较大等。可以看出，技术创新效率不足是阻碍我国智能制造行业发展的核心问题。研究智能制造行业的技术创新效率问题并提出合理的发展建议，有利于指导我国智能制造产业的结构调整方向，进一步带动我国制造业整体智能化转型。

技术创新效率(TIE) 的概念最早是由Afriat 等［3］提出的，是指以研发创新活动的技术效率来衡量技术创新的水平。韩东林等［4］运用数据包络分析（DEA）模型指出“中国制造2025”上市公司的技术创新效率整体波动较大且水平偏低；针对智能制造企业，刘峰等［5］同样采用DEA 模型对我国智能制造企业的技术创新效率进行了测算。但DEA 模型有两个缺点，第一是对指标的权重分配不合理，第二是可能会出现多个评价单元（DMU）的效率值同时为一而无法进行排序的情况。作为DEA 模型的延伸，DEA交叉效率模型充分结合自评和他评，用每一个评价单元的最佳权重去分别计算其他DMU 的效率值，使各个评价单元的最终评价结果之间具有可比性。王伟［6］就运用此模型对我国30 个省、自治区、直辖市进行了评价，指出我国高技术产业技术创新效率存在区域发展不平衡的问题。针对技术创新效率的问题，学者们更加深入地研究是什么因素在影响着技术创新效率，如李绍东［7］把资源投入分为研发经费投入和研发人员投入两方面，并认为这两方面都和技术创新效率成正向强相关关系，持同样观点的还有Karahan［8］和池仁勇等［9］；刘树林等［10］认为制度环境的优化有利于技术创新效率的提升；从行业和社会层面来说，夏海力等［11］认为行业层面的产业结构、技术平台和社会层面的市场需求对技术创新效率均有正向影响。可以看出，学者们多从企业的外部因素进行考虑，而对企业内部因素的影响研究较少。

因此，本文针对智能制造企业技术创新效率问题进行研究。首先根据我国43 家上市企业2013—2017 年最新数据，运用DEA 交叉效率模型测度及分析其技术创新效率；然后再用Tobit 模型回归分析技术创新效率的影响因素，分别从企业和行业两个层面来分析如何提高企业的技术创新效率，以推动我国智能制造行业蓬勃发展。

2 模型构建

2.1 DEA 交叉效率模型的构建

2.1.1 模型介绍

2.1.2 指标选取

在衡量技术创新效率指标的选取上，目前国内学者在选取投入指标时多从劳动力和资本两个角度考虑，如韩东林等［4］选择研发经费支出、研发人员数两个指标作为投入指标；而产出指标多选择专利申请授权数、净利润和新产品销售收入，如代明等［12］选取高技术产业研发项目经费和研发人员数量作为投入指标，选取有效发明专利数和新产品销售收入作为产出指标，认为有效发明专利数代表了知识产出，而新产品销售收入表示研发创新的经济产出。鉴于此，本文在选取投入指标时，基于管理学理论和前人的研究，从人力、财力、物力3 个方面出发考虑。其中：人力投入方面，本文延续了国内外大多数研究所采用的做法，以研发人员数量为代表；资金投入方面，以研发经费支出和无形资产来表示；物力投入方面，选择企业的固定资产来衡量。产出指标的选取需要考虑企业创新活动的成果及其经济效益，第一是无形知识的产出，用专利申请数量表示，但由于专利授权量受到外界因素影响较大，所以本文采用专利申请量而非授权量来表示；第二是经济方面的产出，本文选择总营业收入和净利润来共同反映技术创新能力及公司盈利能力。以上构成了本研究的技术创新效率评价指标体系，如表1 所示。

表1 智能制造企业技术创新效率评价指标体系

对43 个DMU 的4 项投入指标和3 项产出指标通过SPSS - statistics 软件进行皮尔森相关性分析，结果如表2 所示，可知各指标之间相关性均为正，且相关系数处于中等水平，均通过了5%的显著性水平检验，符合DEA 交叉效率模型的要求。就投入与产出而言，从短期角度来看，科研创新自投入开始涉及多个环节，存在时间的滞后性，一般假设该延迟时间为1 年；但从长期角度来看，科研创新产出与投入之间构成了稳定的均衡关系［13］，科研工作自身也具有较强的持续性，故本文在利用连续5年的研究数据时不采用滞后效应。

表2 样本决策单元的皮尔森相关性分析结果

2.2 Tobit 回归模型的构建

2.2.1 Tobit 模型介绍

Tobit 回归模型最早是由诺贝尔经济学奖获得者Tobin［14］提出的。由于DEA 交叉效率模型测算出来的效率值是离散的，且被限制在0 ～1 之间，所以不适用于常见的最小二乘法，这时Tobit 模型就成了估计回归系数的一个较好的选择。Tobit 回归模型广泛应用于银行运行、政府财政支出、资源利用、能源利用等方面的效率研究，其通用模型如式（2）所示：

2.2.2 假设提出

企业的偿债能力决定着企业能否健康发展，进一步影响到企业对如何提升技术创新效率的关注度。只有企业健康发展，才能源源不断地支持企业自身进行创新活动，并在这其中寻找提升技术创新效率的方法。资产的流动性越大，表明短期的偿债能力越强，所以选择流动比率作为衡量指标。因此，本研究提出以下假设：

假设1：企业的偿还能力越强，则企业的技术创新效率越高。

企业的盈利能力就是指企业在一定时期内赚取利润的能力。盈利能力的增强，一方面有助于企业蓬勃发展，另一方面企业也将更加注重创新成果对净利润的支撑作用。增加创新成果产出可以通过两种方式，一是增加创新投入，二是提高成果转化效率，而盈利能力对这两方面都有一定程度的影响，所以本文选择净资产收益率作为衡量指标。因此，本研究提出以下假设：

假设2：企业的盈利能力越大，则企业的技术创新效率越高。

企业的营运能力是指企业运用各项资产以赚取利润的能力。企业的营运能力不仅影响企业的发展，同时影响着企业对新技术的探索能力，即技术创新效率。一般来说，资产的周转速度越快，则企业的营运能力越强。在这里本文选择总资产周转率作为评价指标。因此，本研究提出以下假设：

假设3：企业的营运能力越大，则企业的技术创新效率越高。

企业规模方面，根据之前学者的研究来看，企业规模在一定程度上也决定着企业在研发效率上的关注度，如范德成等［15］认为企业的技术创新效率与企业的规模正相关。本文采用企业年报中的资产总计来衡量企业的规模。因此，本研究提出以下假设：

假设4：企业规模越大，则企业的技术创新效率越高。

智能制造领域最核心也是最重要的部分要数产品全生命周期管理系统（product life-cycle management, PLM）了。PLM 系统自20 世纪末提出以来迅速成为世界各国的关注焦点。PLM 系统是一种企业信息化的商业战略，它可以把人、过程和信息有效地结合起来，将孤岛式的流程管理转变为集成化的一体式管理，遍历产品从概念到报废的全生命周期。虽然在我国PLM 系统还处于发展初期，但是已在很大程度上影响着各智能制造企业的智能化发展，所以本文选择我国主流产品全生命周期管理PLM 系统的市场规模作为衡量指标。因此，本研究提出以下假设：

假设5：智能制造领域核心产业的市场规模越大，则企业的技术创新效率越高。

2.2.3 Tobit 模型构建

最终本文构建的Tobit 模型为：

2.3 样本选取与数据来源

2.3.1 样本选取

我国工业和信息化部自开展智能制造试点示范专项行动以来，已公布的智能制造示范试点项目共305 个，涉及305 个企业、92 个行业类别，覆盖我国境内所有省、自治区、直辖市，而本文研究重点关注制造业企业，所以剔除名单中的生化制药企业14 家、食品类企业15 家、农业企业6 家、轻工业企业57 家；其次，本文以上市企业作为研究对象，所以再剔除未在国内证券交易所上市的企业85 家；最后，本文剔除因资料不足而无法进行研究的企业64 家。最终，本文选取了具有代表性的我国43 家智能制造上市企业(以下简称样本)并对其公布的2013—2017 年间的数据进行研究。

2.3.2 数据来源

本研究所用的数据中，财务相关数据来自新浪财经网站，上市企业的年度报告提供了部分投入指标数据，专利相关数据来自国家知识产权局官方网站（www.pss-system.gov.cn）。

3 实证分析

3.1 创新效率测度结果及分析

本文采用前述DEA 交叉效率模型并运用Excel 2010 和MATLAB R2015b 等软件对43 家样本上市智能制造企业2013—2017 年的技术创新效率进行测度，结果如表3 所示。本文在采用了DEA 交叉效率模型之后，不再出现效率值等于1 的情况，因而各企业之间可以进行相互比较和排序。从表3 可以看出，我国智能制造领域代表企业的技术创新效率发展较为平稳，5 年间仅有小幅上涨，但一直维持在较低水平；5 年中，效率值最高出现在巨星科技2013 年的0.812 3，最低值为2014 年的汉威科技仅为0.105 0，不同企业的效率值参差不齐且差距较大，这说明我国智能制造行业中的一些企业在近几年取得了一定的突破，但还有一大部分企业的技术创新效率依然较低。

表3 2013—2017 年样本企业技术创新效率测度结果

表3 （续）

接下来，本文将43 家样本企业根据主营业务划分为6 类，如表4 所示。其中，智能工具类企业的平均效率值达到0.532 5，是6 个分类中最高的，且所有样本效率值排名首位的企业也在此列。这说明智能工具领域是一个正在蓬勃发展的领域，此领域内的竞争企业较少，大部分企业都能维持较高的创新效率。在6 类企业中，智能仪器企业的平均效率最低。现代科学技术的进步离不开智能仪器的研发和使用，科学仪器能够帮助科学家更好更快地处理人类无法处理的数据，而该领域技术创新效率低也证实了胡跃文等［16］研究提出的我国智能仪器产业的发展确实存在一些问题，还有很大的提升空间。

表4 样本企业按主营业务分类的技术创新效率评价结果

根据上述评价结果，对样本制造企业按5 年间的平均效率高低进行定级：差（0 ～0.2），较差（0.2 ～0.4），一般（0.4 ～0.6），良（0.6 ～0.8），优（0.8 ～1.0），得到结果如表5 所示。其中，良及以上的企业一共仅有2 家，大部分企业集中在一般和较差这两个等级。评级为良的两家企业分别是巨星科技和劲拓股份。巨星科技在这5 年间的专利申请总数达到803 件；而劲拓股份虽然整体规模较小，但是它的产出相对于投入来说比率非常高，这也使得劲拓股份的技术创新效率排在样本企业中的前列。排名倒数3 家企业有一个共同的特点，即专利申请量较少。其中，鼎捷软件共有6 件、汉威科技共有56 件、秦川机床共有30 件，均与排名前两位的企业相差数十倍。这些企业同样投入了大量的资源在创新业务上，可是由于转化率较低导致创新产出不高，所以应当把提升技术创新效率放在首要任务的位置上。纵观大部分企业，5 年平均技术创新效率虽然较低，但是随着时间的推移，效率值也在缓慢增长，这说明这些企业也注意到技术创新效率低这个问题并加以改善，但是技术创新效率的提升速度还有待提高；与此同时，加快技术创新效率的提高速度也是我国智能制造领域企业需要重点关注的问题。

表5 样本企业技术创新效率的分级评价结果

3.2 影响因素分析

本文以各个影响因素作为自变量，以前文的DEA 交叉效率值作为因变量，运用 EViews7.2 软件进行 Tobit 模型回归分析，结果如表6 所示，可以得出以下结论：在5 个影响因素中，只有流动比率和总资产周转率是在5%的水平上显著，其他因素都在1%的水平上显著。其中：

（1）流动比率的回归系数是0.010 424，为正值，流动比率与技术创新效率正相关，本研究的假设1得到验证。流动比率的提高首先增加了企业的偿债能力，使得企业健康发展，只有企业健康发展才能保证企业在研发方面的投入持续增加、成果转化效率逐渐提高，最终使得企业的技术创新效率提高。

（2）净资产收益率的回归系数为0.003 134，为正值，本研究的假设2 得到验证。样本企业的净资产收益率的系数虽为正，但是数值较小，企业在一段时间内盈利能力的增强能够促进技术创新效率的提高，但创新效率变化较小可能因为企业的创新投入是阶段性的，而成果转化率的变化又不太明显。

（3）总资产周转率的回归系数为0.131 068，为正值，验证了本研究的假设3。所有的创新活动都离不开资金的支持，而且进行创新活动所要耗费的资金是非常巨大的，企业的资金能够快速、高效地周转起来对保障企业的创新效率至关重要。

（4）资产总计的回归系数为0.000 429，本研究的假设4 得到验证。样本企业的规模对于技术创新效率的影响很小，这表明中小企业和大型企业同样能够拥有较高的创新效率：中小企业能快速根据最新的创新方向对自身作出调整；而大企业的调整则相对较慢，但是大型企业对发展方向的把握一般而言相对要更加准确，并且行业发展方向在一定程度上是由大型企业所引导的。

（5）中国主流PLM 市场规模的回归系数为0.002 334，为正值，本研究的假设5 得到验证。PLM 系统对于对制造业的影响可以说是方方面面，从新产品想法的提出到最终产品被市场所淘汰，PLM 系统参与到一个产品的全生命周期，这对智能制造行业的影响是非常巨大的。